Perancangan Aplikasi Diagnosis Penyakit Tanaman Berbasis Web Menggunakan Model CNN

Authors

  • Luissandro Hermawan Universitas Tarumanagara, Jakarta Barat, Indonesia
  • Tony Tony Universitas Tarumanagara, Jakarta Barat, Indonesia
  • Irvan Lewenusa Universitas Tarumanagara, Jakarta Barat, Indonesia

DOI:

https://doi.org/10.38035/jemsi.v7i2.7090

Keywords:

Convolutional Neural Network, MobileNetV2, Transfer Learning, Research and Development, Pertanian Digital

Abstract

Meskipun Indonesia memiliki potensi hortikultura yang sangat besar, produktivitas sering terhambat oleh penyakit tanaman yang sulit dideteksi secara cepat dan tepat, yang menyebabkan kerugian panen, penggunaan pestisida yang berlebihan, dan kurangnya literasi pertanian digital. Sebagian besar penelitian dan aplikasi yang saat ini tersedia masih bersifat parsial dan hanya berkonsentrasi pada mengidentifikasi penyakit atau menyediakan materi edukasi, tanpa mengintegrasikan diagnosis otomatis dengan fitur pembelajaran interaktif. Tujuan penelitian ini adalah untuk membuat aplikasi web untuk diagnosis penyakit tanaman hortikultura berbasis Convolutional Neural Network (CNN) MobileNetV2 menggunakan pendekatan pembelajaran transfer. Metode ini menggunakan dataset PlantVillage untuk pelatihan awal dan PlantDoc untuk memvalidasi model dalam kondisi lapangan yang lebih rumit. Sistem dibangun dengan menggunakan arsitektur React.js di frontend, Node.js di backend, dan MySQL sebagai basis data. TensorFlow.js digunakan untuk inferensi model secara langsung di browser.  Aplikasi ini memiliki fitur diagnosis otomatis berbasis citra daun, riwayat diagnosis yang dapat dilacak, dan chatbot edukatif yang menawarkan penjelasan tambahan, pembelajaran interaktif, dan saran penanganan kepada pengguna.  Selain itu, kerja sama dengan Pusat Pengembangan Benih dan Proteksi Tanaman membantu penelitian ini. Pusat ini memberikan masukan teknis, validasi lapangan, dan menjamin bahwa sistem yang dikembangkan akurat dan relevan untuk praktik dunia nyata. Pengumpulan data, perancangan sistem, implementasi, pengujian multilevel, dan evaluasi performa model menggunakan F1-score, recall, dan confusion matrix adalah bagian dari proses penelitian. Hasil pengujian Black Box menunjukkan bahwa seluruh komponen sistem bekerja sesuai kebutuhan. UAT yang digunakan oleh ahli proteksi tanaman memiliki antarmuka yang sederhana dan mudah dipahami, tingkat kesesuaian diagnosis 90%, dan waktu analisis hanya 7 detik. Aplikasi ini mudah digunakan bahkan oleh pengguna non-teknis, menurut pengujian SUS. MobileNetV2 terbukti lebih baik daripada sistem tanpa model pelatihan, terutama dalam hal stabilitas akurasi variasi pencahayaan dan sudut pengambilan gambar. Penelitian ini tidak hanya menyediakan solusi diagnosis yang cepat dan akurat, tetapi juga membantu petani belajar lebih banyak tentang pertanian digital, mendorong mereka untuk menggunakan teknologi, dan mendukung upaya untuk membangun pertanian hortikultura yang lebih modern, efisien, dan berkelanjutan di Indonesia.

References

Waktu Scan 7 Detik 7 Detik

Hasil perbandingan tersebut menunjukkan bahwa penggunaan model hasil pelatihan meningkatkan akurasi, reliabilitas, dan kelengkapan hasil diagnosis. Meskipun waktu proses yang diperlukan sedikit lebih lama, perbedaan ini sangat kecil dibandingkan dengan peningkatan kualitas hasil yang diperoleh. Oleh karena itu, integrasi model CNN MobileNetV2 membuat sistem diagnosis tanaman lebih pintar, fleksibel, dan bermanfaat sebagai alat deteksi dini penyakit tanaman berbasis web.

KESIMPULAN

Berdasarkan hasil penelitian, implementasi, dan pengujian aplikasi Hortikultura Diagnosis Penyakit Tanaman Berbasis Web dengan CNN MobileNetV2, diperoleh beberapa temuan penting. Aplikasi yang dibangun menggunakan React.js sebagai frontend, Node.js sebagai backend, TensorFlow.js untuk proses inferensi model, dan MySQL sebagai basis data terbukti berjalan dengan baik, di mana fitur chatbot, riwayat diagnosis, dan deteksi penyakit berfungsi sesuai rencana. Model CNN MobileNetV2 menunjukkan performa tinggi dengan akurasi 78% pada data uji PlantVillage dan 95% pada data uji kamera, serta mampu bekerja stabil terhadap variasi cahaya, sudut pengambilan, dan kualitas gambar. Pengujian User Acceptance Test (UAT) mengonfirmasi bahwa aplikasi memiliki fungsionalitas yang baik, cepat dalam memberikan hasil diagnosis, dan mudah digunakan dalam konteks industri. Hasil pengujian SUS (System Usability Scale) juga menunjukkan tingkat usability yang baik, membuktikan bahwa antarmuka aplikasi ramah pengguna bahkan bagi mereka yang kurang familiar dengan teknologi.

Selain itu, sistem diagnosis berbasis pembelajaran mesin terbukti lebih akurat dan konsisten dibandingkan diagnosis manual, terutama dalam membedakan penyakit dengan gejala yang mirip, sehingga memperkuat efektivitas pendekatan CNN dan transfer learning untuk deteksi penyakit tanaman berbasis citra. Secara keseluruhan, aplikasi ini bermanfaat sebagai alat diagnosis awal bagi petani, penyuluh pertanian, pelajar, dan masyarakat umum, serta berpotensi meningkatkan literasi pertanian digital dan mempercepat proses identifikasi penyakit sehingga mendukung pengambilan keputusan di lapangan.

REFERENSI

A. Anhar and R. A. Putra, “Perancangan dan implementasi self-checkout system pada toko ritel menggunakan Convolutional Neural Network (CNN),” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 11, no. 2, p. 466, 2023.

A. B. Faqih and D. Avianto, “Identifikasi penyakit daun pada tanaman Solanaceae dan Rosaceae menggunakan Deep Learning,” Jurnal Teknologi Terpadu, vol. 10, no. 2, pp. 105–116, 2024.

A. D. Cahyani, A. Basuki, and D. Nafisah, Pengolahan Basis Data Mongo DB. Malang, Indonesia: Media Nusa Creative (MNC Publishing), 2022.

A. Prasetyo, Kecerdasan Buatan (Artificial Intelligence). Jakarta, Indonesia: Penerbit Andi, 2023.

A. Satria, R. Fahmi, and T. Widodo, “Faktor-faktor yang mempengaruhi adopsi teknologi digital di sektor pertanian,” Jurnal Teknologi Pertanian, vol. 12, no. 2, pp. 101–110, 2025.

A. Siddiqua, M. A. Kabir, T. Ferdous, I. Ali, and L. A. Weston, “Evaluating plant disease detection mobile applications: Quality and limitations,” arXiv preprint arXiv:2208.02446, 2022.

B. Widianto, N. Rahmadani, and A. Nugroho, “Deteksi penyakit tanaman menggunakan citra digital dan CNN,” Jurnal Informatika Pertanian, vol. 8, no. 4, pp. 210–218, 2022.

D. A. Pangestu, A. P. Sari, and R. A. Wibowo, “Klasifikasi penyakit tanaman berdasarkan citra daun menggunakan convolutional neural network,” Jurnal Informatika Sunan Kalijaga, vol. 10, no. 2, pp. 235–248, 2025.

D. B. Syaifulloh, N. M. R. Irawan, F. Aprillian, and F. T. Anggraeny, “Pengenalan pola penyakit pada gambar daun tanaman kentang memanfaatkan metode convolutional neural network,” Jurnal Ilmiah Teknologi Informasi dan Robotika, vol. 6, no. 1, pp. 54–63, 2024.

D. Halawa, “Peran digitalisasi dalam meningkatkan partisipasi generasi muda di sektor pertanian,” in Proc. Seminar Nasional Teknologi Agro, pp. 55–60, 2024.

D. S. Hidayat, Pertanian Modern: Prinsip dan Pilar. Jakarta, Indonesia: Penerbit X, 2023.

D. Hubel and T. Wiesel, “Receptive fields and functional architecture of monkey striate cortex,” The Journal of Physiology, vol. 195, no. 1, pp. 215–243, 1968.

D. Singh et al., “PlantDoc: A dataset for visual plant disease detection,” in Proc. 7th ACM IKDD CoDS and 25th COMAD, pp. 249–253, 2020.

D. Sugihono, S. Wijayanti, and L. Hartono, “Transformasi peran penyuluh pertanian di era digital,” Jurnal Pengembangan Pertanian, vol. 6, no. 1, pp. 45–53, 2023.

H. Al Fatta, Analisis dan Perancangan Sistem Informasi untuk Keunggulan Bersaing Perusahaan dan Organisasi Modern, Yogyakarta: Penerbit Andi, 2007.

Downloads

Published

2025-12-20

How to Cite

Luissandro Hermawan, Tony, T., & Irvan Lewenusa. (2025). Perancangan Aplikasi Diagnosis Penyakit Tanaman Berbasis Web Menggunakan Model CNN . Jurnal Ekonomi Manajemen Sistem Informasi, 7(2), 1786–1801. https://doi.org/10.38035/jemsi.v7i2.7090

Issue

Vol. 7 No. 2 (2025): Jurnal Ekonomi Manajemen Sistem Informasi (November-Desember 2025)

Section

Articles

License

Copyright (c) 2025 Luissandro Hermawan, Tony Tony, Irvan Lewenusa

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Hak cipta :

Penulis yang mempublikasikan manuskripnya di jurnal ini menyetujui ketentuan berikut:

  1. Hak cipta pada setiap artikel adalah milik penulis.
  2. Penulis mengakui bahwa Jurnal Ekonomi Manajemen Sistem Informasi (JEMSI) berhak menjadi yang pertama menerbitkan dengan lisensi Creative Commons Attribution 4.0 International (Attribution 4.0 International CC BY 4.0) .
  3. Penulis dapat mengirimkan artikel secara terpisah, mengatur distribusi non-eksklusif manuskrip yang telah diterbitkan dalam jurnal ini ke versi lain (misalnya, dikirim ke repositori institusi penulis, publikasi ke dalam buku, dll.), dengan mengakui bahwa manuskrip telah diterbitkan pertama kali di Jurnal Ekonomi Manajemen Sistem Informasi (JEMSI).